دیده شدن زنجیره تامین فقط یک عبارت جذاب نیست. این یک امر ضروری است

تمبر زمان: 3 فوریه 2023، 12:00 صبح
گره منبع: 1939098

جای تعجب نیست که مشاهده بهتر سفارش، موجودی و محموله در صدر فهرست اولویت‌ها برای 60 تا 80 درصد شرکت‌ها در بررسی‌های زنجیره تامین قرار دارد. 

جایی که زمانی تولیدکنندگان و خرده‌فروشان بر اساس الگوهای تاریخی و فصلی قابل پیش‌بینی، حجم زیادی از کالاها را به بازارهای منطقه عرضه می‌کردند، انبار می‌کردند، تجارت الکترونیک D2C برای مخاطبان بسیار گسترده‌تری از طریق اینترنت و بر اساس کشش قابل دسترسی است. جریان مجموع و تقریباً مستمر سفارش‌های کوچک‌تر که بر حسب تقاضا ارسال می‌شوند، همراه با افزایش تقاضای کلی حمل‌ونقل، ظرفیت پایانه‌ها، انبارها، تجهیزات و وسایل نقلیه را در بازار کار فشرده تحت تأثیر قرار داده است. 

انتظارات مشتری متغیر مشکلات را تشدید می کند. فشارها و هزینه های آخرین مایل برای حمل و نقل پالت شده که در یک مرکز توزیع برای عرضه تدریجی به کارخانه ها یا فروشگاه ها در جهت فرستنده نگهداری می شود، در مقایسه با سفارشات با زمان قطعی با چندین گزینه زمان تحویل و مکان و انتظارات پایه به موقع و به موقع بسیار متفاوت است. تحویل کامل  

چه یک نوع بیماری همه گیر جدید، یک رویداد آب و هوایی یا یک کشتی کانتینری که کانال سوئز را مسدود می کند، شرایط پیش بینی نشده به راحتی می تواند نقطه عطفی باشد که تقاضا، عرضه و ظرفیت را یک شبه از مسیر خارج می کند. 

بسیاری از قطعات متحرک Visibility

اکثر زنجیره‌های تامین هنوز فاقد دید کافی در سمت تقاضای پایین دستی در نقطه فروش (POS)، بالادستی در تامین منابع و تولید، و در حمل و نقل در حین حمل و نقل نیستند. تشخیص زودهنگام تقاضا به ویژه با توجه به نوسانات مداوم بازار به دلیل رشد ثابت D2C، تقویت شده توسط همه گیری، آب و هوا، جنگ در اوکراین، تورم جهانی و سایر فشارهای خارجی بسیار مهم است.  

سیگنال های تقاضا، بیش از هر اثر منفرد دیگری، زنجیره تامین را هدایت می کند. آنها دیکته می کنند که چه چیزی تولید شود، در چه مقدار و کجا ارسال شود - به طور خلاصه، همه چیز از منبع یابی گرفته تا تخصیص دارایی و منابع تا گردش کار. بنابراین، به نظر می رسد که اکثر مدل های زنجیره تامین سلسله مراتبی متعارف، هنوز کارخانه ها و تامین کنندگان را مستقیماً به خرده فروشان و مشتریان در یک حلقه بازخورد فضیلت دار متصل نمی کنند.

در عوض، بیشتر ارتباطات از مرکز به بیرون جریان می‌یابد، و ورودی شریک به ندرت فراتر از یک سطح بالا یا پایین می‌رود و داده‌های حیاتی را در سیلوهای سازمانی به دام می‌اندازد. داده‌های گردآورنده شخص ثالث در بازاریابی، داده‌های مدیریت ارتباط با مشتری (CRM) در فروش، داده‌های تولید در عملیات، و در مجموعه C ضعیف می‌شوند. این امر خطر قابل توجهی از هزینه های بالاتر و از دست دادن کسب و کار را در صورت اختلال ایجاد می کند. 

پیچیدگی زنجیره تامین این مشکل را تشدید می کند، به طوری که بیش از 60 درصد از مصرف کنندگان جهانی در حال حاضر از تجارت الکترونیک استفاده می کنند، بیش از 25 میلیون خرده فروشی جهانی باز است، افزایش ده برابری محصولات جدیدی که هر سال به بازار می آیند در دهه گذشته، و 10. ٪ از کالاهایی که در معرض کسری هستند.

Suresh Prahlad Bharadwaj، سرپرست پلتفرم TradeEdge در EdgeVerve Systems، یکی از شرکت‌های تابعه Infosys، توضیح می‌دهد: «در بازارهای نوظهور، تولیدکنندگان جهانی از طریق توزیع‌کنندگان ارسال می‌کنند و دید آنها در آن نقطه متوقف می‌شود. آنها نمی‌دانند مشتریانشان چه کسانی هستند، اغلب فروشگاه‌های کوچک مادر و پاپ. حتی در تجارت مدرن، جایی که تولیدکنندگان از طریق یک عمده‌فروش یا مستقیماً به فروشگاه‌های بزرگی مانند والمارت یا تارگت می‌فروشند، آنها مجهز نیستند تا نمایان شدن نقطه‌ی فروش را که به آنها باز می‌گردد، پردازش کنند. 

سورش می‌گوید در یک محیط تجارت الکترونیک غیرمتمرکز، نقاط فروش را می‌توان در میان صدها یا هزاران توزیع‌کننده، خرده‌فروش، و وب‌سایت پراکنده کرد، همه با سطوح مختلف بلوغ در جمع‌آوری و اشتراک‌گذاری داده‌ها، و روش‌های مختلف قالب‌بندی داده‌ها و برقراری ارتباط. 

"مشتریان من چه کسانی هستند، کجا هستند، چه چیزی سفارش می دهند؟" از سورش می پرسد. برای دانستن این موضوع، باید با خرده‌فروش‌ها همکاری کنم تا اطلاعات مربوط به محل فروش و انبار را به سرعت به تولیدکنندگان برگردانم تا بتوانند تنظیمات را انجام دهند.» در حال حاضر، او می افزاید، این فرآیند می تواند سه تا چهار هفته طول بکشد، با تکیه بر سندیکاتورهای داده شخص ثالث مانند Nielsen یا IRI برای جمع آوری و هماهنگ کردن داده ها از پانل فروشگاه ها، و سپس تهیه گزارش های سفارشی برای مشتریان خاص. او می‌گوید: «در دنیای امروز، خیلی دیر شده است.»

سورش توضیح می‌دهد که با افزایش قدرت پردازش داده‌های مبتنی بر ابر و کاهش هزینه‌ها، خرده‌فروشان و واسطه‌های بیشتری قراردادهای اشتراک‌گذاری مستقیم داده‌ها را با شرکت‌های مشتری قطع می‌کنند تا داده‌های فروش منبع اولیه را در زنجیره پخش کنند. اما این تنها آغاز است.

یافتن سوزن در انبار کاه

ابزارهای سنجش تقاضا مبتنی بر نرم افزار، با کمک هوش مصنوعی و یادگیری ماشین، به دلیل توانایی خود در پیش بینی تقاضای آینده نزدیک توجه را به خود جلب کرده اند. این ابزارها داده‌های POS بلادرنگ را در برابر ناهنجاری‌های زنجیره تامین داخلی و خارجی مانند رویدادهای آب‌وهوایی، تراکم بندر، اعتصاب راه‌آهن، تغییرات قیمت سوخت، افزایش نرخ بهره و نرخ‌های بالای بیکاری مدل‌سازی می‌کنند که همه این‌ها بر تصمیم‌گیری‌های خرید تاثیر می‌گذارند. 

به طور خلاصه، درک دقیق شرایطی که دیروز تحت آن کالاها فروخته شده اند، بینش کوتاه مدتی را در مورد چگونگی و مکان احتمالی فروش کالاهای مشابه فردا، تحت شرایط مشابه یا متفاوت، ارائه می دهد. با جمع‌آوری داده‌های دقیق‌تر در طول زمان، الگوهای حسی هوش مصنوعی و یادگیری ماشینی و بینش‌هایی که توسط یک عملیات دستی سنتی که روی مجموعه برنامه‌ریزی منابع سازمانی (ERP) اجرا می‌شود، از دست می‌رود. فواصل گزارش دهی مکرر زمان پاسخگویی را زمانی که رویدادهای ناگهانی و بارزتر رخ می دهد کوتاه می کند.

با توجه به نزدیک شدن به نابودی برنامه‌ریزی استراتژیک و تقاضای بلندمدت سنتی از زمان شروع کووید، ساخت داده‌های تقریباً زمان واقعی به این روش می‌تواند مزایای مهمی را به همراه داشته باشد. ناگهان شرکت‌ها در حال کار کردن با داده‌های فروش و موجودی فروشگاه POS-SKU دیروز، در مقابل گزارش‌های خلاصه چند هفته‌ای هستند. داده‌های فروش همچنین تمایل دارند نتایج دقیق‌تری را در پیش‌بینی تقاضا نسبت به داده‌های حمل و نقل قابل مقایسه ارائه دهند، زیرا ممکن است کالاها به دلایل مختلفی ارسال شوند - به عنوان مثال، مبادلات یا کالاهای نمونه.

استفاده از قوانین و استانداردهای تجاری تعریف‌شده به‌عنوان معیار، هوش مصنوعی و SKU خرده‌فروش نقشه یادگیری ماشین، محصول، UPC و سایر کدنویسی‌ها در برابر کدهای سازنده به عنوان بخشی از فرآیند نصب. آن‌ها همچنین می‌توانند بین SKUهای استاندارد و تبلیغاتی، مثلاً با تغییرات کوچک محتوای یک محصول، تفاوت قائل شوند. یک مزیت مهم، توانایی هوش مصنوعی و یادگیری ماشین برای تجزیه و تحلیل و حذف موجودی فانتوم و فضای خالی نمایش به منظور پیش بینی و کاهش موجودی است. با استفاده از تجزیه و تحلیل، شرکت ها می توانند داده های روند فروش را ظرف چند ساعت تأیید کنند.

سورش استدلال می‌کند: «یکی از چیزهایی که در مورد پیش‌بینی می‌دانیم این است که دقیق نخواهد بود». بنابراین این سوال پیش می‌آید که چگونه شکاف‌ها را پر کنیم. ما این کار را از طریق اجرای تصمیمات کوتاه‌مدت پر کردن در کل شبکه انجام می‌دهیم.»  

ساخت شبکه ارزش زنجیره تامین

مشاهده پایین دستی در نحوه تعامل بازارها و مشتریان برای تأثیرگذاری بر فروش، تولید سیگنال‌های تقاضای ارزشمند در این فرآیند، جدولی را برای بازنگری بزرگ‌تر در کل زنجیره تأمین تنظیم می‌کند. 

قابلیت مشاهده در بالادست و پایین دست، از سفارش تا پرداخت در یک مدل شبکه غیر سلسله مراتبی، «تعدادی به چند»، فرصتی را برای گزارش دهی و اشتراک گذاری داده ها در زمان واقعی، و برای همکاری همه طرف ها ارائه می دهد. در شبکه 

این فرآیند با ایجاد یک منبع واحد، قابل اعتماد و قابل اشتراک برای اطلاعات در سراسر شبکه آغاز می شود. شرکا دارای مجوزهای مناسب برای دسترسی به انواع خاصی از داده ها برای استفاده های خاص هستند. داده ها، از جمله فرم های مربوطه، اسناد و ارتباطات، استاندارد، هماهنگ و ساختار یافته در قالب پایگاه داده مشترک برای سهولت استفاده هستند. 

پس وقتی سیگنال های تقاضا شروع به چشمک زدن می کنند چه اتفاقی می افتد؟ آیا می توان تولید را به سرعت افزایش یا کاهش داد، یا ترکیب و توالی محصول را برای اطمینان از تکمیل به موقع سفارشات اصلاح کرد؟ آیا تامین کنندگان ردیف 2 مواد و قطعات لازم برای افزایش تولید را دارند؟ اگر نه، آیا موجودی موجود در سیستم می‌تواند مکان‌یابی، هدایت شود و دوباره پر شود؟ اگر نه، آیا تیم‌های عملیات و برنامه‌ریزی باید در مورد سهام ایمنی، تنوع عرضه‌کنندگان، یا جایگزین‌های سبد محصولات تجدیدنظر کنند؟ اثرات هزینه چه خواهد بود؟ زمان برای دریافت پاسخ به این سوالات و انجام اقدامات اصلاحی بهینه بسیار مهم است.

تفاوت مهم با مدل شبکه این است که تامین کنندگان، تولیدکنندگان و خرده فروشان نه تنها می توانند تغییرات تقاضا را احساس کنند، بلکه به طور مستقیم و فعالانه، در زمان واقعی، برای حل مشکلات همکاری می کنند، به جای اینکه هر یک از آنها ارتباطات مجزا از طریق شرکت اصلی داشته باشند. جایی که جزئیات حیاتی ممکن است در ترجمه گم شوند. علاوه بر این، هوش مصنوعی و تجزیه و تحلیل‌های مبتنی بر یادگیری ماشینی می‌توانند صدها یا هزاران سناریو را در چند دقیقه اجرا کنند و هر کدام را بر اساس داده‌های موجودی و محموله‌های فعلی و تاریخی بازی کنند تا یک راه‌حل بهینه را تدوین کنند.

اما همانطور که ضرب المثل قدیمی فناوری می گوید: زباله به داخل، زباله بیرون. عملکرد شبکه فقط به اندازه خرید شریک و مجموعه داده دقیق است. سورش اصرار می‌کند: «این فقط مربوط به فناوری در فضای ابری نیست، بلکه در مورد ایجاد انطباق شرکا در گزارش‌دهی، حجم و به‌موقع بودن داده‌ها، جزئیات اطلاعات و تعداد دفعات اشتراک‌گذاری آن است.»

سورش اذعان می‌کند که تا کنون، عمدتاً شرکت‌های بسیار بزرگ، در بازه 6 میلیارد دلاری و بالاتر، بوده‌اند که این سطح از تحول دیجیتال را هدایت کرده‌اند، تا حدی به دلیل اهرمی که برای اجبار و مدیریت تغییر با تامین‌کنندگان، فروشندگان کوچک‌تر، و مشتریان اما او فرصتی را در جذب مشتریان در بازه 1 تا 5 میلیارد دلاری می بیند. 

این همه به کجا می رود؟ به مرور زمان برای کسب‌وکارها در هر اندازه‌ای ضروری است که تحول دیجیتالی را انجام دهند که منجر به اتصال و تثبیت زنجیره‌های تامین در طول زمان می‌شود. به دنبال خودکارسازی عملیات و فرآیندهای بیشتر باشید، زمان پاسخگویی را کوتاه تر کنید، خطا را حذف کنید، و چرخه سفارش تا پرداخت را فشرده کنید، در حالی که افراد و منابع را برای کار پربارتر و با ارزش تر آزاد کنید. Onboarding و هماهنگ‌سازی داده‌ها احتمالاً برای تأمین‌کنندگان و فروشندگان کوچک و متوسط ​​تقریباً کاربردی خواهد بود، و قابلیت شبکه به عنوان یک تمایز کلیدی در راه فراگیر شدن ظاهر می‌شود. 

نتیجه نهایی: پس از یک دوره تعدیل کوتاه و در مواقعی دشوار، زنجیره تامین بسیار سریع‌تر، ساده‌تر و انعطاف‌پذیرتر می‌شود. 

پیوندهای منبع: 

EdgeVerve، http://www.edgeverve.com 

TradeEdge، www.edgeverve.com/tradeedge

تمبر زمان:

بیشتر از مغز زنجیره تامین